La question de réponse aux graphes de connaissances temporels (TKGQA) vise à répondre à des questions dont l’intention est temporelle à partir de graphes de connaissances temporels (TKGs). Le défi central de cette tâche réside dans la compréhension de l’information sémantique complexe liée à divers types de contraintes temporelles (par exemple, « avant », « en premier ») présentes dans les questions. Les méthodes actuelles end-to-end modélisent implicitement ces contraintes temporelles en apprenant des embeddings sensibles au temps pour les questions et les réponses candidates, ce qui reste insuffisant pour une compréhension complète de la question. Inspirés par les approches fondées sur la parsing sémantique, qui modélisent explicitement les contraintes présentes dans les questions en générant des formes logiques utilisant des opérateurs symboliques, nous proposons des opérateurs temporels fondamentaux pour les contraintes temporelles et introduisons une nouvelle méthode autonome d’amélioration par programmation pour le TKGQA (Prog-TQA). Plus précisément, Prog-TQA exploite la capacité d’apprentissage contextuel des grands modèles linguistiques (LLM) afin de comprendre les contraintes temporelles combinées dans les questions et de générer des brouillons de programmes correspondants à partir de quelques exemples fournis. Ensuite, elle aligne ces brouillons avec les TKGs grâce à un module de liaison, puis les exécute pour produire les réponses. Pour renforcer la capacité de compréhension des questions, Prog-TQA intègre également une stratégie d’autonomie d’amélioration permettant de faire évoluer efficacement les LLM à partir de brouillons auto-générés de haute qualité. Des expérimentations étendues démontrent l’efficacité supérieure de la méthode proposée Prog-TQA sur les jeux de données MultiTQ et CronQuestions, notamment en termes de métrique Hits@1.